---
title: "BroadNet'in elediği modeller: LLM, konuşma, OCR, embedding"
description: "BroadNet reddettiği modelleri gerekçeleriyle yayımlıyor: kimlik bilgisi güvenliği testini geçemeyen sohbet modelleri ve kaybeden konuşma, OCR, embedding modelleri."
url: https://broadrouter.com/tr/blog/models-broadnet-ruled-out/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/models-broadnet-ruled-out/) (güncelleme: 2026-11-16).

# BroadNet'in test edip elediği modeller ve nedenleri

BroadNet Inference ekibi · 4 dk okuma · Yayımlandı 2026-11-15 · Güncellendi 2026-11-16

BroadNet'in model kataloğu, laboratuvarında test edildikten sonra yaklaşık 30 model ve yöntemi elenmiş olarak işaretliyor. Gerekçeler çoğunlukla beş gruba ayrılıyor: aynı iş için daha güçlü bir modele yenilme, kimlik bilgisi güvenliği testi, API üzerinden sunmayı engelleyen lisans, karşılaştırmayı kaybeden niceleme biçimi ve Arapçada gerileme. Tüm sonuçlar BroadNet'in Eylül 2026 ölçümleri.

## Öne çıkanlar

-   BroadNet'in kataloğu her modeli PROD, SERVED, BENCH, QUANT, FT veya RULED OUT olarak etiketliyor ve her reddin gerekçesini veriyor.
-   BroadNet'in kimlik bilgisi güvenliği test seti üç sohbet modelini güvenlik rollerinden uzak tuttu: Qwen3.5 35B A3B ile GLM 4.7 Flash ve Nemotron 3 Nano 30B A3B; bunlar RULED OUT değil SERVED etiketini taşımaya devam ediyor.
-   EAGLE3 spekülatif kod çözme, 32 eşzamanlı istekte işlem hacminin %69'una mal olduğu için elendi.
-   LlamaParse, mevcut belge ayrıştırma çözümü olarak elendi: tabloları kaybediyordu ve BroadNet'e göre kendi sunucusunda barındırmak 1.000 sayfa başına %98 daha ucuzdu.
-   Birkaç embedding modelinin herkese açık sıralama tablolarındaki başarıları, BroadNet'in gerçek Arapça trafiğinde geçerliliğini korumadı.

**Bu sayfada**

1.  BroadNet hangi sohbet modellerini eledi?
2.  Hangi konuşma modelleri elendi?
3.  Hangi belge, embedding ve görsel modelleri kaybetti?
4.  Retlerden ne öğrenebilirsiniz?

BroadNet’in [model kataloğu](https://www.broadnet.ai/inference/models), kendi donanımında çalıştırdığını, kıyasladığını, nicelediğini veya ince ayar yaptığını söylediği her modeli listeliyor ve reddettiklerini gerekçesiyle işaretliyor. Yaklaşık 30 model ve yöntem RULED OUT (elendi) etiketi taşıyor. Aşağıdaki rakamlar Eylül 2026’da BroadNet’in laboratuvarında ölçüldü; bunlar bizim değil, BroadNet’in sonuçları.

Katalog altı etiket kullanıyor: PROD (canlı trafik taşıdı), SERVED (kataloğun ifadesiyle “ran on our fleet”, yani filomuzda çalıştı), BENCH (kıyaslandı), QUANT (nicelemeyi BroadNet üretti), FT (BroadNet ince ayar yaptı) ve RULED OUT.

## BroadNet hangi sohbet modellerini eledi?

| Model | BroadNet ne yaptı | Neden elendi |
| --- | --- | --- |
| Qwen3.5 35B A3B (AWQ 4-bit) | Hız katmanı olarak sunuldu, yaklaşık 164 token/sn | Güvenlik rolleri için BroadNet’in kimlik bilgisi güvenliği test setini geçemedi |
| GLM 4.7 Flash (AWQ) | Deneysel olarak sunuldu | RULED OUT değil SERVED etiketli: BroadNet, kimlik bilgisi güvenliği test seti nedeniyle güvenlik rolleri için elendiğini ve üretim seviyesinin altında tutulduğunu söylüyor |
| Nemotron 3 Nano 30B A3B (NVFP4) | Özel bir akıl yürütme ayrıştırıcısıyla sunuldu | RULED OUT değil SERVED etiketli: BroadNet, kimlik bilgisi güvenliği test seti nedeniyle güvenlik rolleri için elendiğini ve üretim seviyesinin altında tutulduğunu söylüyor |
| Qwen3.6 35B A3B | RTX 5090 ve GB10 üzerinde sunuldu | Sohbet botu görevini Gemma 4 26B’ye kaptırdı |
| Gemma 4 E4B (AWQ INT4) | GB10 üzerinde ortak kiracı olarak sunuldu, yaklaşık 94 token/sn | Sohbet botu görevini Gemma 4 26B’ye kaptırdı |
| Gemma 4 26B A4B NVFP4 (üç yayıncı) | Niceleme değerlendirildi | sm\_120 ve sm\_121 GPU’larda birebir karşılaştırmadan sonra AWQ lehine emekliye ayrıldı |
| EAGLE3 spekülatif kod çözme | Doygun sunum için test edildi | 32 eşzamanlı istekte işlem hacminin %69’una mal oldu; çoklu token tahmini (MTP) taslakçıları korundu |

Bu örüntü, açık model seçen herkes için önemli. Retlerin üçü kaliteyle değil güvenlikle ilgili: yeterince hızlı olan ama kimlik bilgilerini tekrarlayan modeller. Bu, BroadNet’in [Safety Map çalışmasının](https://broadrouter.com/tr/blog/llm-safety-map-39-models/) küçük aktif parametreli uzmanlar karışımı (MoE) modellerinde en sık bulduğu hata türü. Sohbet botu görevini kazanan Gemma 4 26B A4B ise BroadNet’in [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) adıyla sattığı model.

## Hangi konuşma modelleri elendi?

| Model | Neden elendi |
| --- | --- |
| Gemma 4 E2B, Gemma 4 12B (transkripsiyon için) | Bunların yerine E4B ses varyantı tutuldu |
| Omnilingual ASR 300M, 1B, 3B ve CTC varyantları (Meta) | Görevi 7B varyantı kazandı |
| Voxtral Mini 3B / 4B Realtime (Mistral) | Arapça için elendi |
| ArTSTv3 (MBZUAI soyu) | Arapça görevi için elendi; Cohere Transcribe Arabic tutuldu |
| FireRedVAD, DeepFilterNet, BNR (ön uçlar) | Birebir karşılaştırmadan sonra Silero ses etkinliği tespiti benimsendi |

BroadNet, tuttuğu model Cohere Transcribe Arabic 07-2026’nın kendi testinde MASC lehçe konuşmasında 21,1 kelime hata oranı aldığını; ElevenLabs Scribe v2’nin 22,3, Whisper large-v3’ün 31,5 aldığını bildiriyor. Bu modeli [BroadNet Transcribe Arabic](https://broadrouter.com/tr/models/cohere-transcribe-arabic/) adıyla sunuyor. Katalog ayrıca Whisper large-v3’ün yedek olarak kıyaslandığını söylüyor.

## Hangi belge, embedding ve görsel modelleri kaybetti?

**OCR ve belge ayrıştırma**

-   Mevcut API çözümü **LlamaParse**, BroadNet’in OmniDocBench alt kümesinde 16,6 puan aldı. BroadNet onu “it loses tables, and self-hosting is 98% cheaper per 1,000 pages” (BroadRouter çevirisi: tabloları kaybediyor ve kendi sunucunda barındırmak 1.000 sayfa başına %98 daha ucuz) gerekçesiyle eledi.
-   **olmOCR-2, HunyuanOCR, GOT-OCR 2.0 ve Nanonets OCR2** değerlendirilip elendi; Nanonets lisans koşulları nedeniyle. PaddleOCR-VL 1.6 daha yüksek puan almasına rağmen (86,81’e karşı 94,74), hem ayrıştırdığı hem de şekilleri betimlediği için üretim tercihi olarak dots.mocr tutuldu.

**Embedding’ler**

-   **gemini-embedding-2**, gemini-embedding-001’e göre gerilediği için Arapçada elendi (BroadNet’in getirme kıyaslamasında 0,824’e karşı 0,767).
-   Eski mevcut çözüm **nomic-embed-text v1.5** genelde 0,468, Arapçada 0,130 puan aldı ve emekliye ayrıldı.
-   **Octen 8B, Harrier 0.6B ve Nemotron Embed 1B** sunuldu ve gerçek Arapça trafikte elendi; bu trafikte “where our podium held despite their public-board wins” (BroadRouter çevirisi: herkese açık tablolardaki galibiyetlerine rağmen bizim podyumumuz yerini korudu).

BroadNet, model seçiminden daha önemli çıkan bir bulgu da ekliyor: iş yüküne özgü bir sorgu talimatı, getirme kalitesini (nDCG) 0,048 değiştirdi; bu, 4B’lik bir embedding modelinden 8B’liğe geçmekten daha büyük bir etki.

**Görsel üretimi ve güvenlik**

-   **Cosmos3 Super 64B ve HunyuanImage 3.0 80B** donanım uyumu ve lisans koşulları nedeniyle elendi.
-   **openai/privacy-filter 1.5B**, BroadNet’in sızıntı derleminde kimlik bilgilerinin %100’ünü ama maaş rakamlarının %0’ını yakaladı; bu yüzden güvenlik duvarı olarak elendi.

## Retlerden ne öğrenebilirsiniz?

Dört ders BroadNet’in kendi yığınının ötesinde de geçerli:

1.  **Sıralama tablosunu değil, işi test edin.** Herkese açık tablolarda kazanan birkaç embedding modeli gerçek Arapça trafikte kaybetti.
2.  **Güvenlik ayrı bir kapıdır.** Hızlı ve yetenekli bir model de kimlik bilgisi testinde başarısız olabilir. Bir model sırları görmeden önce böyle bir test çalıştırın; BroadNet’in [değerlendirme yöntemi](https://broadrouter.com/tr/blog/llm-sensitive-data-safety-evaluation-method/) iyi bir başlangıç noktası.
3.  **Neyin sunulabileceğine lisanslar karar verir.** Voxtral 4B TTS ve Higgs Audio v3 gibi ticari olmayan modeller katalogda yalnızca kalite tavanı olarak yer alıyor.
4.  **Sunum tercihleri de ölçülür.** Niceleme biçimleri ve taslak yöntemleri varsayılan olarak değil, birebir karşılaştırma rakamlarıyla elendi. Bkz. [BroadNet’in GPU donanımı ve sunum yaklaşımı](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/).

Buradaki her rakam tek bir şirketin laboratuvarından ve trafiğinden geliyor. Bunu test edilecekler için bir kısa liste olarak kullanın, ardından geçiş yapmadan önce [kendi verilerinizle değerlendirin](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/). Elenmiş veya yalnızca kıyaslanmış bir satır, çağırabileceğiniz bir model de değildir; [bir model kataloğunu okuma](https://broadrouter.com/tr/blog/understand-model-status/) yazısı canlı, talep üzerine ve araştırma girişlerini nasıl ayırt edeceğinizi anlatıyor.

Bu konu için ücretsiz araçlar (İngilizce)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Embedding (gömme vektörü)](https://broadrouter.com/tr/glossary/embeddings/)

Embedding'ler (gömme vektörleri), bir modelin bir metin parçasını, görseli veya başka bir girdiyi temsil etmek için ürettiği kayan noktalı sayı listeleridir (vektörler). Anlamca benzer girdiler birbirine yakın vektörler alır; bu yüzden vektörler arasındaki mesafe arama sonuçlarını sıralamak, belgeleri kümelemek veya ilgili öğeleri bulmak için kullanılabilir.

[AWQ (activation-aware weight quantization)](https://broadrouter.com/tr/glossary/awq/)

AWQ (activation-aware weight quantization, aktivasyona duyarlı ağırlık kuantizasyonu), bir LLM'in ağırlıklarını düşük hassasiyete, genellikle 4 bit tamsayılara sıkıştıran eğitim sonrası bir yöntemdir. Küçük bir kalibrasyon setinin aktivasyon istatistikleriyle en önemli ağırlık kanallarını bulur ve daha az doğruluk kaybetmeleri için ölçekler. Geri yayılım gerektirmez.

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[İnce ayar (fine-tuning)](https://broadrouter.com/tr/glossary/fine-tuning/)

İnce ayar (fine-tuning), önceden eğitilmiş bir dil modelini örnek sohbetler gibi daha küçük, göreve özgü bir veri setiyle eğitmeye devam etme işlemidir; böylece ağırlıkları değişir ve model, her istemde uzun talimatlara veya örneklere ihtiyaç duymadan o görevi ya da üslubu daha güvenilir biçimde yerine getirir.

[Saniyedeki token (tokens per second, TPS)](https://broadrouter.com/tr/glossary/tokens-per-second/)

Saniyedeki token (TPS), bir dil modelinin çıktı token'larını üretme hızıdır ve genellikle tek bir istek için ilk token geldikten sonra ölçülür. Başlayan bir yanıtın ne kadar hızlı akacağını belirler. Tüm eşzamanlı isteklerde toplandığında sistem işlem hacmine dönüşür; ilk token'dan önceki bekleme ayrıca ölçülür.

[Uzmanlar karışımı (mixture of experts, MoE)](https://broadrouter.com/tr/glossary/mixture-of-experts/)

Uzmanlar karışımı (MoE), bir katmanın çok sayıda uzman alt ağ barındırdığı ve öğrenilmiş bir yönlendiricinin her token'ı bunların yalnızca birkaçına gönderdiği bir sinir ağı tasarımıdır. Bir MoE dil modelinin toplam parametre sayısı büyüktür, ancak her token için küçük bir aktif alt küme kullanır.

[Açık ağırlıklı model (open-weight model)](https://broadrouter.com/tr/glossary/open-weight-model/)

Açık ağırlıklı model (open-weight model), eğitilmiş ağırlıkları herkesin indirip çalıştırabileceği şekilde, genellikle koşullar içeren bir lisansla yayımlanan bir makine öğrenimi modelidir. Eğitim kodunu ve eğitim verileri hakkında ayrıntılı bilgiyi de yayımlayan, böylece başkalarının modeli incelemesine ve yeniden üretmesine imkân veren tam açık kaynak yapay zekadan farklıdır.

[INT4](https://broadrouter.com/tr/glossary/int4/)

INT4, 16 düzeyi temsil edebilen 4 bitlik bir tamsayı biçimidir. LLM çıkarımında genellikle 4 bit yalnızca ağırlık kuantizasyonu (W4A16) anlamına gelir: ağırlıklar ölçek katsayılarıyla INT4 olarak saklanır, hesaplama sırasında 16 bite açılır ve 16 bitlik ağırlıkların yaklaşık dörtte biri kadar bellek kullanır.

## Sık sorulan sorular

### BroadNet reddettiği modelleri neden yayımlıyor?

Kataloğu, "what we rule out as carefully as what we ship" (BroadRouter çevirisi: sunduklarımız kadar özenle elediklerimizi de) yayımladığını söylüyor; böylece alıcılar her önerinin arkasındaki gerekçeyi görebiliyor. Gerekçeli bir ret, kendi iş yükünüzde test edebileceğiniz bir kanıttır.

### "Elendi" modelin kötü olduğu anlamına mı gelir?

Hayır. Retlerin çoğu, BroadNet'in kendi hattındaki tek bir görev için, BroadNet'in bildirdiği kurulum ve trafik üzerinde verildi. Qwen3.6 35B A3B ve Gemma 4 E4B sohbet botu görevini Gemma 4 26B'ye kaptırdı; sizin işinize yine de uygun olabilirler.

### Kimlik bilgisi güvenliği test seti nedir?

BroadNet'in, bir modelin gördüğü kimlik bilgilerini tekrarlayıp tekrarlamadığını ölçen testi; yayımladığı hassas veri değerlendirme yöntemine dayanıyor. Başarısız olan modeller güvenlik rollerinde üretim seviyesinin altında tutuluyor.

### Lisanslar modelleri neden eliyor?

Voxtral 4B TTS ve Higgs Audio v3 gibi bazı güçlü modeller ticari olmayan lisanslı; bu yüzden BroadNet onları yalnızca kalite tavanı olarak kıyaslıyor ve ücretli bir API üzerinden sunamıyor.

### Elenen modeller BroadNet Inference'ta kullanılabilir mi?

Hayır. API altı model satıyor, üç model daha talep üzerine sunuluyor. Elendi olarak işaretlenen modeller sunulmuyor.

## Okumaya devam edin

-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [Sağlayıcı değiştirmeden önce bir LLM nasıl değerlendirilir?](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/)
-   [Safety Map: 39 LLM hassas verileri nasıl ele alıyor?](https://broadrouter.com/tr/blog/llm-safety-map-39-models/)
-   [Arapça ses metne çevirme API: 2026'da nasıl seçilir?](https://broadrouter.com/tr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Canlı, talep üzerine, araştırma: model kataloğunu doğru okuyun](https://broadrouter.com/tr/blog/understand-model-status/)
-   [Artificial Analysis alternatifleri: 2026'da LLM karşılaştırma](https://broadrouter.com/tr/blog/artificial-analysis-alternatives/)
-   [LLM API SLA'ları: Azure, Bedrock, Google ve OpenAI ne vaat ediyor?](https://broadrouter.com/tr/blog/llm-api-sla-uptime-compared/)
-   [Rehber: BroadNet Inference'ı hesap açmadan tarayıcıda deneyin](https://broadrouter.com/tr/guides/try-broadnet-inference-playground/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**Kaynaklar**

-   [BroadNet model kataloğu: çalıştırdığı, kıyasladığı, nicelediği veya ince ayar yaptığı her model, elenenler dahil (Eylül 2026 ölçümleri; 2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/inference/models)
-   [BroadNet Research: spekülatif kod çözme ve model sunumu bulguları (2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/research)
-   [BroadNet Gemma 4 VL 26B model sayfası (2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [BroadNet Transcribe Arabic model sayfası (2026-11-15 tarihinde erişildi) (İngilizce)](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
